• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于圖譜的多標(biāo)記特征選擇算法*

    2016-05-25 07:58:52嚴(yán)鵬,李
    計(jì)算機(jī)與生活 2016年4期

    嚴(yán) 鵬,李 云

    南京郵電大學(xué)計(jì)算機(jī)學(xué)院,南京210023

    ISSN 1673-9418 CODEN JKYTA8

    Journal of Frontiers of Computer Science and Technology

    1673-9418/2016/10(04)-0543-11

    ?

    基于圖譜的多標(biāo)記特征選擇算法*

    嚴(yán)鵬,李云+

    南京郵電大學(xué)計(jì)算機(jī)學(xué)院,南京210023

    ISSN 1673-9418 CODEN JKYTA8

    Journal of Frontiers of Computer Science and Technology

    1673-9418/2016/10(04)-0543-11

    E-mail: fcst@vip.163.com

    http://www.ceaj.org

    Tel: +86-10-89056056

    * The Natural Science Foundation of Jiangsu Province of China under Grant Nos. BK20131378, BK20140885 (江蘇省自然科學(xué)基金); the Postdoctoral Science Foundation of Jiangsu Province under Grant No. 1401045C (江蘇省博士后科研資助計(jì)劃); the Science Foundation of Nanjing University of Posts and Telecommunications under Grant No. NY214034 (南京郵電大學(xué)科研基金).

    Received 2015-05,Accepted 2015-07.

    CNKI網(wǎng)絡(luò)優(yōu)先出版: 2015-08-11, http://www.cnki.net/kcms/detail/11.5602.TP.20150811.1537.007.html

    摘要:特征選擇在傳統(tǒng)的單標(biāo)記問題中已經(jīng)得到深入的研究,但是大多數(shù)傳統(tǒng)的特征選擇算法卻無法用于多標(biāo)記問題。這是因?yàn)槎鄻?biāo)記問題中的每一個(gè)數(shù)據(jù)樣本都同時(shí)與多個(gè)類標(biāo)相關(guān)聯(lián),此時(shí)需要設(shè)計(jì)新的指標(biāo)來book=544,ebook=98評(píng)價(jià)特征。并且由于多個(gè)類標(biāo)之間通常存在一定的關(guān)聯(lián)性,在設(shè)計(jì)特征選擇算法時(shí)還需要對(duì)類標(biāo)的結(jié)構(gòu)進(jìn)行建模以利用類標(biāo)的關(guān)聯(lián)信息。采用譜特征選擇(spectral feature selection,SPEC)框架解決上述問題。SPEC所需的相似性矩陣和圖結(jié)構(gòu)由樣本類標(biāo)的Jaccard相似性來構(gòu)建,它能反映類標(biāo)間的關(guān)聯(lián)性。此外,所提出的方法屬于過濾器模型,它獨(dú)立于分類算法且不需要將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題來處理。在現(xiàn)實(shí)世界數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了所提出算法的正確性和較好的性能。

    關(guān)鍵詞:多標(biāo)記學(xué)習(xí);譜特征選擇;標(biāo)記關(guān)聯(lián)性

    1 引言

    在傳統(tǒng)監(jiān)督學(xué)習(xí)領(lǐng)域,每個(gè)樣本只屬于一個(gè)概念,即每個(gè)樣本只與一個(gè)類標(biāo)相關(guān)聯(lián)。而在多標(biāo)記學(xué)習(xí)中,每個(gè)樣本可以同時(shí)與多個(gè)類標(biāo)相關(guān)聯(lián)。這些類標(biāo)可能相互依賴也可能相互獨(dú)立,于是與多標(biāo)記學(xué)習(xí)相關(guān)的算法通常需要能夠表示和利用類標(biāo)間的關(guān)聯(lián)信息。例如,在Emotions數(shù)據(jù)集中,每首樂曲用72個(gè)節(jié)奏和音色的特征來描述,并被標(biāo)有吃驚、愉快、放松、安靜、悲傷、生氣這6種類標(biāo)中的一個(gè)或多個(gè)。多標(biāo)記學(xué)習(xí)的任務(wù),就是在已標(biāo)記好的數(shù)據(jù)集上訓(xùn)練分類器,使其能為未標(biāo)記樣本添加正確的類標(biāo)。很自然的,“放松”與“安靜”相比“放松”與“生氣”更可能被同時(shí)標(biāo)記在同一首樂曲上,這就是類標(biāo)間的關(guān)聯(lián)信息。

    此外,多標(biāo)記學(xué)習(xí)同樣會(huì)受到維度災(zāi)難的困擾,冗余和不相關(guān)的特征會(huì)讓數(shù)據(jù)變得難以處理,并導(dǎo)致訓(xùn)練得到的模型不可靠。因此,需要設(shè)計(jì)能夠有效處理多標(biāo)記問題的特征選擇算法。與傳統(tǒng)的特征選擇算法相比,多標(biāo)記特征選擇算法需要能更好地利用類標(biāo)間的關(guān)聯(lián)信息。

    然而,那些成熟的特征選擇算法通常是針對(duì)傳統(tǒng)的單標(biāo)記問題或無監(jiān)督學(xué)習(xí)問題而設(shè)計(jì)的。盡管可以先將多標(biāo)記問題轉(zhuǎn)化為多個(gè)單標(biāo)記問題,再用這些已有的算法去處理轉(zhuǎn)化后得到的單標(biāo)記問題,但是這類基于轉(zhuǎn)化策略的方法在應(yīng)用時(shí)卻會(huì)遇到許多新問題。例如,利用Binary Relevance Strategy[1]將多標(biāo)記問題轉(zhuǎn)換成多個(gè)單標(biāo)記分類問題,再直接利用傳統(tǒng)的特征選擇算法對(duì)每個(gè)單標(biāo)記問題進(jìn)行特征選擇。顯然,這一策略完全忽略了類標(biāo)間的關(guān)聯(lián)性,并且當(dāng)類標(biāo)空間很稀疏時(shí)會(huì)導(dǎo)致類別不平衡的問題。為此,采用基于圖譜的特征選擇算法[2]來直接進(jìn)行特征選擇而不需進(jìn)行多標(biāo)記問題的轉(zhuǎn)化。這一算法屬于過濾器模型,它不依賴于特定的分類算法或是某類問題轉(zhuǎn)化策略,但依然能有效利用類標(biāo)間的關(guān)聯(lián)信息。

    本文組織結(jié)構(gòu)如下:第2章介紹多標(biāo)記學(xué)習(xí)和特征選擇的相關(guān)工作,并討論一些現(xiàn)有的多標(biāo)記特征選擇算法;第3章詳細(xì)介紹所提出的用于多標(biāo)記問題的譜特征選擇算法;第4章給出在現(xiàn)實(shí)世界數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果和相應(yīng)的評(píng)價(jià)指標(biāo);第5章進(jìn)行總結(jié)和討論。

    2 相關(guān)工作

    2.1多標(biāo)記學(xué)習(xí)

    多標(biāo)記學(xué)習(xí)算法按照是否利用類標(biāo)的關(guān)聯(lián)信息通常被分為3個(gè)階次[3]。一階算法為每個(gè)類標(biāo)單獨(dú)構(gòu)建一個(gè)分類器,這樣有q個(gè)候選類標(biāo)的多標(biāo)記問題就被轉(zhuǎn)化為q個(gè)二分類問題。典型的一階算法有Binary Relevance[1]、多標(biāo)記k近鄰算法(multi-label k-nearest neighbor,ML-kNN)[4]等。二階算法考慮成對(duì)類標(biāo)的關(guān)聯(lián)性,通常將多標(biāo)記分類問題轉(zhuǎn)化為類標(biāo)排序問題。典型的二階算法有Calibrated Label Ranking[5]和rank-支持向量機(jī)(rank-support vector machine,rank-SVM)[6]。二階算法在訓(xùn)練時(shí)通常將類標(biāo)兩兩組合,構(gòu)建出q(q-1)/2個(gè)二分類問題,并對(duì)每個(gè)二分類問題進(jìn)行學(xué)習(xí)而得到相應(yīng)的分類器。在分類時(shí)根據(jù)q(q-1)/2個(gè)分類器的結(jié)果為每個(gè)類標(biāo)進(jìn)行投票。某個(gè)類標(biāo)得票數(shù)越高,那么該類標(biāo)就越可能和該樣本相關(guān)。高階算法為類標(biāo)間的關(guān)聯(lián)性建立更復(fù)雜的模型,它們可能考慮所有類標(biāo)對(duì)某一類標(biāo)的影響或者隨機(jī)選取一個(gè)類標(biāo)子集將其轉(zhuǎn)化為多類問題,例如Classifier Chain[7-8]和Random k-label Set[9-10]屬于高階算法。

    2.2特征選擇

    特征選擇是一種被廣泛采用的降維技術(shù),它按照一定評(píng)價(jià)準(zhǔn)則從原始特征空間中選取一個(gè)維度較低的子空間,使得后續(xù)的學(xué)習(xí)算法在該子空間上有更好的性能。根據(jù)評(píng)價(jià)準(zhǔn)則,常規(guī)的特征選擇算法通??蓺w納為3種模型:過濾器模型、封裝器模型和嵌入式模型[11-12]。屬于過濾器模型的特征選擇算法獨(dú)立于具體的分類算法,因此所使用的分類器的特性和偏差并不會(huì)對(duì)選擇結(jié)果產(chǎn)生影響。屬于過濾器模型的典型算法有Relief/ReliefF[13]、Fisher Score[14]和基于信息增益的算法等。封裝器模型可以看作分類算法的一部分,屬于封裝器模型的算法通常利用分類器的分類性能來評(píng)價(jià)候選特征。這類算法針對(duì)特定的分類器能取得很好的性能,但卻常受限于較大的計(jì)算開支和所使用的特定分類算法。嵌入式模型結(jié)合了過濾器模型和封裝器模型的特點(diǎn)。屬于嵌入式模型的算法首先獨(dú)立于分類算法產(chǎn)生若干候選特征子空間,再根據(jù)分類器在這些子空間上的分類性能,選取獲得最優(yōu)性能的特征子空間作為最終結(jié)果。

    2.3多標(biāo)記特征選擇

    近幾年,研究人員已提出了一些針對(duì)多標(biāo)記問題的特征選擇算法。在這些算法中,第一個(gè)考慮類標(biāo)關(guān)聯(lián)性的多標(biāo)記特征選擇算法是由Zhang等人在文獻(xiàn)[15]中提出的。該算法首先用傳統(tǒng)的主成分分析方法(principle component analysis,PCA)和遺傳算法(genetic algorithm,GA)來生成特征,再由多標(biāo)記樸素貝葉斯算法來衡量這些特征的分類性能。Doquire等人在文獻(xiàn)[16]中先將多標(biāo)記問題轉(zhuǎn)化為多類問題,然后再采用傳統(tǒng)的特征選擇算法對(duì)轉(zhuǎn)化后的問題進(jìn)行特征選擇。Gu等人在文獻(xiàn)[17]中改進(jìn)了rank-SVM,并結(jié)合該分類算法進(jìn)行特征選擇。Kong等人在文獻(xiàn)[18]中拓展了傳統(tǒng)的ReliefF和F-Statistic算法來處理多標(biāo)記問題,并應(yīng)用于圖像標(biāo)注。但是,這些算法大都屬于封裝器模型,它們的使用受限于巨大的計(jì)算量和特定的分類器。例如文獻(xiàn)[15]中所介紹的算法需要利用多標(biāo)記樸素貝葉斯算法的性能來評(píng)價(jià)特征,而文獻(xiàn)[16-17]中所介紹的算法需要依賴特定的問題轉(zhuǎn)化策略。

    3 基于圖譜的多標(biāo)記特征選擇

    本文將研究基于圖譜的多標(biāo)記特征選擇算法,該方法可以充分利用類標(biāo)間的關(guān)聯(lián)信息,并且具有較小的計(jì)算復(fù)雜度。傳統(tǒng)的譜特征選擇算法首先根據(jù)訓(xùn)練樣本的結(jié)構(gòu)提取出這些數(shù)據(jù)的圖譜信息,再根據(jù)圖譜信息選取那些與其結(jié)構(gòu)一致的特征。當(dāng)處理多標(biāo)記問題時(shí),如果能在提取圖譜信息的同時(shí)提取類標(biāo)的結(jié)構(gòu)信息,那么在此基礎(chǔ)上進(jìn)行特征選擇既利用了類標(biāo)的關(guān)聯(lián)性又不需要將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題。已有一些算法采用類似的思想來處理多標(biāo)記學(xué)習(xí)問題,例如文獻(xiàn)[19-20]所介紹的算法先從訓(xùn)練數(shù)據(jù)中提取類標(biāo)的結(jié)構(gòu)信息,然后利用這些信息與原始的特征來學(xué)習(xí)多標(biāo)記分類模型。

    3.1譜特征選擇

    譜特征選擇是一種通用的特征選擇算法框架,既可以用在監(jiān)督學(xué)習(xí)領(lǐng)域也可以用在無監(jiān)督學(xué)習(xí)領(lǐng)域。一些經(jīng)典的特征選擇算法已被證明屬于譜特征選擇的框架,例如Relief、Fisher Score等[21]。在選取特征時(shí),譜特征選擇算法以特征取值的分布是否與目標(biāo)概念的結(jié)構(gòu)相一致作為特征選擇的評(píng)價(jià)標(biāo)準(zhǔn)。例如在圖1中,每個(gè)圖形(三角和圓圈)表示一個(gè)樣本,不同的形狀表示這些樣本在同一特征上的不同取值,橢圓A和橢圓B表示目標(biāo)概念的區(qū)域,同一區(qū)域內(nèi)的樣本具有相同的類別(類別A或類別B)。在圖1的左半部分,具有相同類別的樣本在特征F1上取值相同,而具有不同類別的樣本在特征F1上取值不同,因此特征F1對(duì)類別A和類別B有很好的判別能力,此時(shí)稱特征F1的取值分布與目標(biāo)概念結(jié)構(gòu)一致。相反,特征F2的取值分布則與目標(biāo)概念的結(jié)構(gòu)不一致,F(xiàn)2對(duì)類別A和類別B不具有很好的判別能力(圖1右半部分)。因此譜特征選擇會(huì)選取F1而非F2。

    Fig.1 Consistency of a feature and target concept圖1 特征與目標(biāo)概念的一致性示意圖

    本文用Fm(1≤m≤d)表示第m個(gè)特征,fm為所有樣本在第m個(gè)特征上的取值所構(gòu)成的向量,則第i個(gè)樣本可以表示成xi=(f1i,f2i,…,fdi)。目標(biāo)概念的結(jié)構(gòu)由無向圖G(V,E)表示,其中V、E分別為圖的點(diǎn)集和邊集。圖的第i個(gè)結(jié)點(diǎn)vi?V對(duì)應(yīng)于數(shù)據(jù)集中的第i個(gè)樣本xi,邊eii′?E的權(quán)重Wii′對(duì)應(yīng)于第i個(gè)樣本和第i′個(gè)樣本的相似度Sii′(1≤i,i′≤n)。對(duì)于所給定的圖G,其鄰接矩陣W和度矩陣D為:

    則相應(yīng)的拉普拉斯矩陣L和正則化的拉普拉斯矩陣L為:

    而譜特征選擇算法將選擇那些與目標(biāo)概念結(jié)構(gòu)一致的特征,即選擇那些使得式(3)取較小值的特征:

    其中fmT為fm的轉(zhuǎn)置。又因?yàn)閒m和L的范數(shù)會(huì)影響φ(Fm)的取值,所以還需對(duì)fm與L進(jìn)行正則化,即:

    其中‖·‖表示2-范數(shù),且

    譜特征選擇算法的偽代碼如算法1所示。

    算法1譜特征選擇框架

    輸入:X,Y,φ(×)

    輸出:SFSPEC-排序后的特征列表

    1.依據(jù)X、Y計(jì)算每兩個(gè)樣本間的相似度Sii′(1≤i,i′≤n)

    2.依據(jù)相似度構(gòu)建圖G并獲得式(1)、(2)中定義的W、D、L

    3. For每個(gè)特征Fm(1≤m≤d) do

    4.SFSPEC(m)?φ(Fm)

    5. End for

    6.將SFSPEC按升序排列

    返回SFSPEC

    3.2多標(biāo)記問題目標(biāo)概念的圖結(jié)構(gòu)

    如3.1節(jié)所述,譜特征選擇用無向圖來表示目標(biāo)概念的結(jié)構(gòu),那么要將傳統(tǒng)的譜特征選擇應(yīng)用于多標(biāo)記學(xué)習(xí),也需要用無向圖來表示多標(biāo)記問題的目標(biāo)概念結(jié)構(gòu)。圖2作為圖1的拓展,給出了多標(biāo)記問題的目標(biāo)概念(類標(biāo))結(jié)構(gòu)。F1表示數(shù)據(jù)的某一特征。每個(gè)圖形(叉、三角、圓圈和星)表示一個(gè)樣本,圖形的不同形狀表示這些樣本在特征F1上的不同取值。橢圓A、B、C表示3個(gè)不同的目標(biāo)概念區(qū)域。多標(biāo)記學(xué)習(xí)的目標(biāo)就是將樣本正確分配到各個(gè)橢圓(類標(biāo))中。其中橢圓D是一個(gè)特殊的目標(biāo)概念區(qū)域,落在D中的樣本表示其不與任何類標(biāo)相關(guān)聯(lián)。顯然,多標(biāo)記問題和傳統(tǒng)單標(biāo)記問題的目標(biāo)結(jié)構(gòu)的主要區(qū)別在于:多標(biāo)記問題的兩個(gè)不同概念(類標(biāo))間可能存在交集,即一個(gè)樣本可以同時(shí)屬于多個(gè)概念(與多個(gè)類標(biāo)相關(guān)聯(lián))。此外,落在兩個(gè)概念(類標(biāo))相交區(qū)域中的樣本越多,則這兩個(gè)概念(類標(biāo))同時(shí)出現(xiàn)的可能性就越大,它們?cè)娇赡苁窍嗷ヒ蕾嚨摹O喾?,如果交集區(qū)域中幾乎沒有樣本,那么相關(guān)的概念(類標(biāo))越可能是互斥的關(guān)系。例如在圖2中,A和B交集區(qū)域中存在少量樣本,因此一個(gè)樣本可能同時(shí)與A和B相關(guān)聯(lián),而C與A和B間均不存在交集,它們可能為互斥的關(guān)系,即一個(gè)樣本與C相關(guān)聯(lián)則不會(huì)再與A或B相關(guān)聯(lián)。同時(shí),圖2中與相同類標(biāo)相關(guān)聯(lián)的樣本(落在同一區(qū)域中的樣本)在特征F1上取值相同,而與不同類標(biāo)相關(guān)聯(lián)的樣本(落在不同區(qū)域的樣本)在特征F1上取值不同,因此特征F1對(duì)此結(jié)構(gòu)圖中所描述的多標(biāo)記問題具有很好的判別性。

    Fig.2 Target concept of a multi-label learning problem圖2 多標(biāo)記問題的目標(biāo)概念結(jié)構(gòu)圖

    基于上述分析,譜特征選擇中使用到的目標(biāo)概念的結(jié)構(gòu)圖也能很好地描述類標(biāo)間的關(guān)聯(lián)信息,那些取值分布與目標(biāo)概念的結(jié)構(gòu)一致的特征通常具有很好的判別性,因此,可以自然地對(duì)常規(guī)譜特征選擇算法進(jìn)行拓展,以用于處理多標(biāo)記學(xué)習(xí)的特征選擇問題。

    3.3多標(biāo)記問題樣本相似度的定義

    要構(gòu)建目標(biāo)概念的結(jié)構(gòu)圖,就需要計(jì)算樣本間的相似度。在傳統(tǒng)的譜特征選擇算法中,通常用式(5)或式(6)來定義樣本的相似度。式(5)用于監(jiān)督學(xué)習(xí),其中nc為屬于類別c的樣本的個(gè)數(shù),式(6)是徑向基(radial basis function,RBF)核函數(shù),通常用于無監(jiān)督學(xué)習(xí)。

    這兩種相似度的定義在多標(biāo)記問題中均無法直接使用。對(duì)于式(5),因?yàn)槎鄻?biāo)記問題中每個(gè)樣本可以同時(shí)與多個(gè)類標(biāo)相關(guān)聯(lián),即同時(shí)屬于多個(gè)類別,所以無法確定nc的值。而對(duì)于式(6),它本身用于無監(jiān)督學(xué)習(xí),并沒有使用相應(yīng)的監(jiān)督信息(類標(biāo)信息)。為了有效定義樣本的相似性,一種直觀的解決方案是對(duì)式(6)進(jìn)行修改:

    然而,RBF核函數(shù)中通常是依據(jù)類標(biāo)集合在歐氏空間中的距離來度量樣本相似性的,這類距離并不能很好地度量類標(biāo)集合之間的相似度。例如,假設(shè)類標(biāo)集合為Y={y1,y2,y3}以及4個(gè)樣本(x1,y1),(x2,y2),(x3,y3),(x4,y4),其中y1=(1,1,1),y2=(0,1,1),y3=(1,0,0),y4=(0,0,0),那么依據(jù)式(7)有S12=S34=e-1/(2δ2)。但是這4個(gè)樣本的目標(biāo)結(jié)構(gòu)如圖3所示。因?yàn)闃颖?x1,y1)與樣本(x2,y2)有兩個(gè)共同的類標(biāo)y2和y3,它們落在了y2和y3的交集中,而樣本(x3,y3)和樣本(x4,y4)并沒有共同關(guān)聯(lián)的類標(biāo),它們屬于圖中兩個(gè)不相交的區(qū)域,由此直觀上可得出S12>S34=0。這與依據(jù)式(7)計(jì)算所得的結(jié)果并不一致。

    Fig.3 Label structure of instances圖3 樣本的類標(biāo)結(jié)構(gòu)示例

    因此,將利用Jaccard相似度(式(8))來度量兩個(gè)樣本間的相似度。依據(jù)式(8),Sii′?[0,1],兩個(gè)樣本共同關(guān)聯(lián)的類標(biāo)越多,Sii′越接近1。當(dāng)每個(gè)樣本最多只能與1個(gè)類標(biāo)相關(guān)聯(lián)時(shí),多標(biāo)記問題就退化為傳統(tǒng)的單標(biāo)記多類問題,式(8)也相應(yīng)地變?yōu)槭剑?),而它剛好是傳統(tǒng)單標(biāo)記問題中所使用的相似度式(5)的特例。

    3.4與wrapper-SPEC的聯(lián)系

    傳統(tǒng)的譜特征選擇適用于單標(biāo)記問題,可以將多標(biāo)記問題經(jīng)某種轉(zhuǎn)化策略轉(zhuǎn)化為若干單標(biāo)記問題后,再對(duì)各單標(biāo)記問題使用傳統(tǒng)的譜特征選擇。不過此時(shí)的特征選擇已經(jīng)依賴于問題轉(zhuǎn)化策略,屬于封裝器模型,不妨稱這類算法為wrapper-SPEC。而由式(8)確定了樣本間的相似度后,可直接根據(jù)算法1對(duì)多標(biāo)記數(shù)據(jù)進(jìn)行特征選擇。此時(shí)算法不依賴于特定的分類算法或問題轉(zhuǎn)化策略,屬于過濾器模型,稱其為filter-SPEC。用filter-SPEC和wrapper-SPEC進(jìn)行特征選擇和分類的過程見圖4和圖5。

    Fig.4 Progress of feature selection and classification of filter-SPEC圖4 利用filter-SPEC進(jìn)行特征選擇和分類

    此外,filter-SPEC所選出的特征對(duì)經(jīng)過轉(zhuǎn)化得到的單標(biāo)記問題依然具有判別性,因此與wrapper-SPEC在每個(gè)單標(biāo)記問題上所選出的特征密切相關(guān)。例如,圖6中的每個(gè)圖形(叉、三角、圓圈和星)表示一個(gè)樣本,不同形狀表示不同樣本對(duì)同一特征的不同取值,其分布與目標(biāo)概念(類標(biāo))的結(jié)構(gòu)一致,因此filter-SPEC會(huì)選出該特征。

    Fig.5 Progress of feature selection and classification of wrapper-SPEC圖5 利用wrapper-SPEC進(jìn)行特征選擇和分類

    Fig.6 Target graph of a multi-label learning problem圖6 多標(biāo)記問題的目標(biāo)概念結(jié)構(gòu)圖

    而在wrapper-SPEC中,如果利用一階算法的轉(zhuǎn)化策略將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題(對(duì)每個(gè)類標(biāo)分別進(jìn)行處理),則圖6所介紹的多標(biāo)記數(shù)據(jù)可轉(zhuǎn)化成3個(gè)單標(biāo)記問題,即對(duì)A/-A、B/-B和C/-C的分類。同時(shí),該策略可視為將圖6中的目標(biāo)概念圖G分解,得到圖G1'、圖G2'和圖G3' 3個(gè)子目標(biāo)概念圖,如圖7所示。此外,在wrapper-SPEC中,如果利用二階策略將原始多標(biāo)記問題轉(zhuǎn)化為對(duì)A/B、A/C和B/C的二分類單標(biāo)記問題,則該策略同樣可將圖G進(jìn)行分解,得到如圖8所示的目標(biāo)概念子圖。不難得到由filter-SPEC所選出的特征對(duì)轉(zhuǎn)化所得的單標(biāo)記子問題仍然具有判別性。

    在計(jì)算復(fù)雜度上,filter-SPEC的計(jì)算復(fù)雜度為Tfilter= O(n2(q+d)),采用一階轉(zhuǎn)化策略的wrapper-SPEC的計(jì)算復(fù)雜度為T1-order=O(n2(1+d)q),采用二階轉(zhuǎn)化策略的wrapper- SPEC的計(jì)算復(fù)雜度為T2-order=O(n2(1+d)q(q-1))。顯然,Tfilter

    Fig.7 Target graphs transformed by the first order strategy圖7 一階策略轉(zhuǎn)化后的目標(biāo)結(jié)構(gòu)

    Fig.8 Target graphs transformed by the second order strategy圖8 二階策略轉(zhuǎn)化后的目標(biāo)結(jié)構(gòu)

    4 實(shí)驗(yàn)

    為了驗(yàn)證上述算法的有效性,在現(xiàn)實(shí)世界數(shù)據(jù)集上比較了filter-SPEC和其他封裝器模型算法的性能。對(duì)于filter-SPEC,分別使用式(7)(filter-SPEC-RBF)和式(8)(filter-SPEC-Jaccard)計(jì)算樣本相似度。對(duì)于封裝器模型,除了wrapper-SPEC外,還使用了具有代表性的Relief算法。雖然Relief在處理單標(biāo)記問題時(shí)屬于過濾器模型,但應(yīng)用于多標(biāo)記問題時(shí),它依賴于特定的問題轉(zhuǎn)化策略[18],因此不妨稱用于多標(biāo)記問題的Relief為wrapper-Relief。所有實(shí)驗(yàn)在Matlab仿真環(huán)境下進(jìn)行,使用Intel酷睿i7 2720QM CPU,4 GB內(nèi)存。

    4.1數(shù)據(jù)集

    為了驗(yàn)證算法的性能,在4個(gè)來自不同領(lǐng)域的基準(zhǔn)數(shù)據(jù)集上進(jìn)行了相關(guān)實(shí)驗(yàn)。表1給出了實(shí)驗(yàn)數(shù)據(jù)集的詳細(xì)信息。

    Table 1 Summary of data sets表1 實(shí)驗(yàn)數(shù)據(jù)信息

    4.2多標(biāo)記學(xué)習(xí)算法

    為了驗(yàn)證選擇出的特征的性能,分別采用ML-kNN 和Calibrated Label Ranking作為多標(biāo)記分類算法。這兩種算法分別基于一階策略和二階策略將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題,如文獻(xiàn)[6,17,22-25]等一些多標(biāo)記分類算法和特征選擇算法都是在它們的基礎(chǔ)上發(fā)展而來,因此具有一定代表性。

    4.2.1ML-kNN

    ML-kNN[4]屬于一階算法,它依次對(duì)多標(biāo)記問題的每個(gè)類標(biāo)進(jìn)行分類,并最終給出與樣本相關(guān)的類標(biāo)集合,即ML-kNN為h:X?2Y的一種實(shí)現(xiàn)。本文采用漢明損失衡量ML-kNN的性能,其定義見式(10):

    式(10)中p為測試樣本個(gè)數(shù);q為類標(biāo)個(gè)數(shù);?為異或操作。漢明損失越小表明所用的特征選擇算法性能越優(yōu)秀。實(shí)驗(yàn)結(jié)果見圖9。

    經(jīng)過10次交叉驗(yàn)證后的實(shí)驗(yàn)結(jié)果如圖9所示,其中橫軸表示所選取的特征個(gè)數(shù)占原始特征維數(shù)的百分比,縱軸為漢明損失的值。其中水平線base為未進(jìn)行任何特征選擇時(shí)ML-kNN的分類性能。實(shí)驗(yàn)結(jié)果表明利用Jaccard相似度的filter-SPEC能取得最優(yōu)性能,而wrapper-SPEC和使用RBF核函數(shù)的filter-SPEC性能較差。

    Fig.9 Results of ML-kNN圖9 ML-kNN算法實(shí)驗(yàn)結(jié)果

    4.2.2Calibrated Label Ranking

    Calibrated Label Ranking[5]屬于二階算法。它將多標(biāo)記問題的類標(biāo)兩兩組合轉(zhuǎn)化得到q(q-1)/2個(gè)單標(biāo)記二分類問題,再根據(jù)這些單標(biāo)記問題的分類結(jié)果對(duì)類標(biāo)排序,某類標(biāo)票數(shù)越多樣本越可能和該類標(biāo)相關(guān)聯(lián)。顯然,該算法為h′:X′Y?R的一種實(shí)現(xiàn)。

    因?yàn)樵撍惴ǖ妮敵霾⒉皇蔷唧w的類標(biāo)集合而是類標(biāo)的排序,所以使用平均精確率而非漢明損失來衡量算法的性能,其定義為:

    其中,rank(yj)為第j個(gè)類標(biāo)在輸出中所排的位次,該指標(biāo)的范圍是[0,1],越接近1表明算法性能越好。

    本實(shí)驗(yàn)中使用SVM+RBF kernel作為轉(zhuǎn)換后單標(biāo)記問題的分類器。在基準(zhǔn)數(shù)據(jù)集上利用10次交叉驗(yàn)證后的實(shí)驗(yàn)結(jié)果如圖10所示,橫軸表示選取的特征個(gè)數(shù)與原始特征維數(shù)的百分比,縱軸為平均精確率。其中水平線base為未進(jìn)行特征選擇時(shí)Calibrated Label Ranking的分類性能。實(shí)驗(yàn)結(jié)果表明filter-SPEC、wrapper-Relief和wrapper-SPEC具有相似的分類性能。但耗時(shí)上,medical數(shù)據(jù)集上filter-SPEC所用的平均時(shí)間為53.880 7 s,而wrapper-Relief為91.831 5 s,wrapper-SPEC為132.513 2 s;在yeast數(shù)據(jù)集上,filter-SPEC、wrapper-Relief和wrapper-SPEC的平均耗時(shí)分別為81.816 1 s、90.579 3 s和138.429 8 s。emotions數(shù)據(jù)集上各算法耗時(shí)均小于3 s,tmc2007數(shù)據(jù)集上各算法均沒能在10 h內(nèi)完成,故沒有列出詳細(xì)的運(yùn)行時(shí)間。如上文所述,因?yàn)樾枰獙?duì)轉(zhuǎn)化后的單標(biāo)記問題依次進(jìn)行特征選擇,wrapper-SPEC的計(jì)算復(fù)雜度大于filter-SPEC的計(jì)算復(fù)雜度。并且此處wrapper-Relief的計(jì)算復(fù)雜度為O((n2+nd)q(q-1)),也大于filter-SPEC的計(jì)算復(fù)雜度。因此filter-SPEC在計(jì)算復(fù)雜度上更具競爭力。

    Fig.10 Results of Calibrated Label Ranking圖10 Calibrated Label Ranking實(shí)驗(yàn)結(jié)果

    4.3結(jié)果分析

    已有文獻(xiàn)表明[2,11-12],基于封裝器模型所選出的特征在分類性能上通常要優(yōu)于基于過濾器模型所選出的特征,但封裝器模型受限于計(jì)算復(fù)雜度和所采用的分類算法。而上述實(shí)驗(yàn)結(jié)果表明,在基準(zhǔn)數(shù)據(jù)集上,本文改進(jìn)的譜特征選擇算法(filter-SPEC)與依賴于問題轉(zhuǎn)化的多標(biāo)記特征選擇算法(封裝器模型)相比,在更低的計(jì)算復(fù)雜度下卻取得了相似或更為優(yōu)秀的分類性能。這主要是因?yàn)椋阂环矫嫠鶚?gòu)建的概念圖很好地反應(yīng)了樣本結(jié)構(gòu)和類標(biāo)的關(guān)聯(lián)信息,從而保證了所選特征的分類性能;另一方面,在用filter-SPEC選出特征后依舊采用了一階和二階分類算法,這些算法仍是將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題后再進(jìn)行分類,這一過程并不能很好地利用原始數(shù)據(jù)集上樣本的結(jié)構(gòu)和類標(biāo)的關(guān)聯(lián)信息,使得filter-SPEC所選特征和封裝器模型所選特征取得了相似的分類性能。

    5 結(jié)束語

    多標(biāo)記學(xué)習(xí)的特征選擇問題開始引起來自多標(biāo)記學(xué)習(xí)領(lǐng)域和特征選擇領(lǐng)域的研究人員的關(guān)注,盡管已經(jīng)提出了一些用于多標(biāo)記學(xué)習(xí)問題的特征選擇算法,但它們大都屬于封裝器模型,具有較高的時(shí)間復(fù)雜度。本文對(duì)傳統(tǒng)的譜特征選擇框架進(jìn)行改進(jìn),以便能有效處理多標(biāo)記問題的特征選擇。所提出的基于圖譜的特征選擇算法屬于過濾器模型,不依賴于具體的多標(biāo)記分類算法或問題轉(zhuǎn)化策略。理論分析和實(shí)驗(yàn)結(jié)果表明,本文算法具有與封裝器模型相似或更好的性能,且時(shí)間開銷較少。鑒于圖譜能很好地描述類標(biāo)間的關(guān)聯(lián)信息,在未來工作中,將圖譜理論應(yīng)用于多標(biāo)記學(xué)習(xí)的整個(gè)過程中,而不僅限于特征選擇。

    References:

    [1] Zhou Zhihua, Zhang Minling. Multi-instance multi-label learning with application to scene classification[C]//Advances in Neural Information Processing Systems 19: Proceedings of the 20th Annual Conference on Neural Information Processing Systems, Vancouver, Canada, Dec 4-7, 2006. Cambridge, USA: MIT Press, 2007: 1609-1616.

    [2] Zhao Zheng, Liu Huan. Spectral feature selection for supervised and unsupervised learning[C]//Proceedings of the 24th International Conference on Machine Learning, Corvallis, USA, 2007. New York, USA:ACM, 2007: 1151-1157.

    [3] Zhang Minling, Zhou Zhihua.Areview on multi-label learning algorithms[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(8): 1819-1837.

    [4] Zhang Minling, Zhou Zhihua. ML-KNN: a lazy learning approach to multi- label learning[J]. Pattern Recognition, 2007, 40(7): 2038-2048.

    [5] Fürnkranz J, Hüllermeier E, Mencía E L, et al. Multilabel classification via calibrated label ranking[J]. Machine Learning, 2008, 73(2): 133-153.

    [6] Elisseeff A, Weston J. A kernel method for multi-labelled classification[C]//Advances in Neural Information Processing Systems 14: Proceedings of the 2002 Annual Conference on Neural Information Processing Systems, Vancouver, Canada, Dec 9-14, 2002. Cambridge, USA: MITPress, 2003: 681-687.

    [7] Read J, Pfahringer B, Holmes G, et al. Classifier chains for multi-label classification[J]. Machine Learning, 2011, 85(3): 333-359.

    [8] Sanden C, Zhang J Z. Enhancing multi-label music genre classification through ensemble techniques[C]//Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval, Beijing, Jul 24-28, 2011. New York, USA:ACM, 2011: 705-714.

    [9] Tsoumakas G, Katakis I, Vlahavas I. Random k-labelsets for multilabel classification[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(7): 1079-1089.

    [10] Tsoumakas G, Vlahavas I. Random k-labelsets: an ensemble method for multilabel classification[C]//LNCS 4701: Proceedings of the 18th European Conference on Machine Learning, Warsaw, Poland, Sep 17-21, 2007. Berlin, Heidelberg: Springer, 2007: 406-417.

    [11] Tang Jiliang,Alelyani S, Liu Huan. Feature selection for classification: a review[J/OL]. (2014)[2015-03-01]. http://www. public.asu.edu/~jtang20/publication/feature_selection_for_ classification.pdf.

    [12]Alelyani S, Tang Jiliang, Liu Huan. Feature selection for clustering: a review[J/OL]. (2013)[2015-03-01]. http://www.public.asu.edu/~jtang20/publication/FSClustering.pdf.

    [13] Robnik-?ikonja M, Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF[J]. Machine Learning, 2003, 53(1/2): 23-69.

    [14] Duda R O, Hart P E, Stork D G. Pattern classification[M]. Hoboken, USA: John Wiley & Sons, 2012.

    [15] Zhang M L, Pe?a J M, Robles V. Feature selection for multilabel naive Bayes classification[J]. Information Sciences, 2009, 179(19): 3218-3229.

    [16] Doquire G, Verleysen M. Feature selection for multi-label classification problems[C]//LNCS 6691: Proceedings of the 11th International Work- Conference on Artificial Neural Networks, Torremolinos- Málaga, Spain, Jun 8- 10, 2011. Berlin, Heidelberg: Springer, 2011: 9-16.

    [17] Gu Quanquan, Li Zhenhui, Han Jiawei. Correlated multi-label feature selection[C]//Proceedings of the 20th ACM International Conference on Information and Knowledge Management, Glasgow, UK, Oct 24-28, 2011. New York, USA:ACM, 2011: 1087-1096.

    [18] Kong Deguang, Ding C H Q, Huang Heng, et al. Multi-label ReliefF and F-statistic feature selections for image annotation[C]//Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, USA, Jun 16-21, 2012. Piscataway, USA: IEEE, 2012: 2352-2359.

    [19] Huang Shengjun, Zhou Zhihua. Multi-label learning by exploiting label correlations locally[C]//Proceedings of the 26th AAAI Conference on Artificial Intelligence, Toronto,Canada, 2012. Menlo Park, USA:AAAI, 2012: 949-955.

    [20] Tsoumakas G, Katakis I, Vlahavas I. Effective and efficient multilabel classification in domains with large number of labels[C]//Proceedings of the ECML/PKDD 2008 Workshop on Mining Multidimensional Data, 2008: 30-44.

    [21] Zhao ZA,Liu Huan.Spectralfeatureselectionfordatamining[M]. Boca Raton, USA: CRC Press, 2011.

    [22] Madjarov G, Gjorgjevikj D, Delev T. Efficient two stage voting architecture for pairwise multi-label classification[C]// LNCS 6464: Proceedings of the 23rd Australasian Joint Conference on Artificial Intelligence, Adelaide, Australia, Dec 7-10, 2010. Berlin, Heidelberg: Springer, 2011: 164-173.

    [23] Madjarov G, Gjorgjevikj D, D?eroski S. Two stage architecture for multi-label learning[J]. Pattern Recognition, 2012, 45(3): 1019-1034.

    [24] Cheng Weiwei, Hüllermeier E, Dembczynski K J. Bayes optimal multilabel classification via probabilistic classifier chains[C]//Proceedings of the 27th International Conference on Machine Learning, Haifa, Israel, 2010: 279-286.

    [25] Zhang Minling, Zhang Kun. Multi-label learning by exploiting label dependency[C]//Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Washington, USA, Jul 25-28, 2010. New York, USA: ACM, 2010: 999-1008.

    YAN Peng was born in 1990. He is an M.S. candidate at Nanjing University of Posts and Telecommunications. His research interests include machine learning and pattern recognition, etc.

    嚴(yán)鵬(1990—),男,江蘇南京人,南京郵電大學(xué)碩士研究生,主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí),模式識(shí)別等。

    LI Yun was born in 1974. He received the Ph.D. degree from Chongqing University in 2005. Now he is a professor at Nanjing University of Posts and Telecommunications, and the member of CCF. His research interests include machine learning and pattern recognition, etc.

    李云(1974—),男,2005年于重慶大學(xué)獲得博士學(xué)位,現(xiàn)為南京郵電大學(xué)教授,CCF會(huì)員,主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí),模式識(shí)別等。

    Spectral Theory Based Multi-Label Feature Selection?

    YAN Peng, LI Yun+
    School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

    + Corresponding author: E-mail: liyun@njupt.edu.cn

    YAN Peng, LI Yun. Spectral theory based multi-label feature selection. Journal of Frontiers of Computer Science and Technology, 2016, 10(4):543-553.

    Abstract:Feature selection has been deeply studied in traditional single label problem. When it comes to multi-label problem, most of traditional feature selection algorithms for single label problem are not able to be applied directly, since instances in multi-label problems are associated with several labels simultaneously, new criteria to evaluate features are needed. Because of the correlations among several labels, new methods to model labels structure are needed for using the correlation information when designing feature selection algorithm. This paper uses the spectral feature selection (SPEC) framework to handle multi-label problem and uses Jaccard similarity to construct the similarity matrix and the target graph in SPEC for multi-label problem. This method is under filter model, which is different from the wrapper model. The latter always transforms the multi-label problem into some single label problems, and traditional feature selection algorithm is applied to these single label problems. The experiments on real world data sets demonstrate the correctness and high performance of the proposed algorithm.

    Key words:multi-label learning; spectral feature selection; label correlation

    文獻(xiàn)標(biāo)志碼:A

    中圖分類號(hào):TP181

    doi:10.3778/j.issn.1673-9418.1505064

    国产单亲对白刺激| 欧美+日韩+精品| 小说图片视频综合网站| 草草在线视频免费看| 好男人在线观看高清免费视频| 国产男靠女视频免费网站| 在线国产一区二区在线| 国产成人a区在线观看| 精品人妻一区二区三区麻豆 | 国产免费男女视频| 99久久99久久久精品蜜桃| 高潮久久久久久久久久久不卡| 国产精品永久免费网站| 内地一区二区视频在线| 天堂影院成人在线观看| 国产色爽女视频免费观看| 中文在线观看免费www的网站| 午夜久久久久精精品| 免费观看精品视频网站| 少妇的逼水好多| 日韩中文字幕欧美一区二区| 精品一区二区免费观看| 一区二区三区免费毛片| 又爽又黄a免费视频| 欧美不卡视频在线免费观看| 亚洲成人中文字幕在线播放| 欧美zozozo另类| 性欧美人与动物交配| 中文字幕高清在线视频| 国内少妇人妻偷人精品xxx网站| 丰满人妻一区二区三区视频av| 成人午夜高清在线视频| 校园春色视频在线观看| 亚洲经典国产精华液单 | 亚洲国产精品久久男人天堂| 在线观看66精品国产| 真实男女啪啪啪动态图| 永久网站在线| 3wmmmm亚洲av在线观看| 久久久久久久精品吃奶| 成年女人毛片免费观看观看9| 亚洲成av人片在线播放无| 亚洲 国产 在线| 国产精品免费一区二区三区在线| 亚洲性夜色夜夜综合| 午夜福利免费观看在线| 永久网站在线| 精品久久久久久,| 日韩欧美 国产精品| 久久婷婷人人爽人人干人人爱| 亚洲18禁久久av| 欧美激情在线99| 成人性生交大片免费视频hd| 亚洲欧美精品综合久久99| 免费在线观看日本一区| 麻豆成人av在线观看| 午夜影院日韩av| 哪里可以看免费的av片| 日本a在线网址| 亚洲成人久久爱视频| 亚洲人成网站在线播| 亚洲三级黄色毛片| 婷婷精品国产亚洲av| 国产一区二区三区视频了| 无遮挡黄片免费观看| 在线观看一区二区三区| 国产激情偷乱视频一区二区| 日本黄色视频三级网站网址| 亚洲18禁久久av| 97超级碰碰碰精品色视频在线观看| 精品久久久久久久人妻蜜臀av| 一进一出抽搐gif免费好疼| АⅤ资源中文在线天堂| 老司机午夜十八禁免费视频| 亚洲国产精品合色在线| 国产精品,欧美在线| 桃红色精品国产亚洲av| 国产成人a区在线观看| 精品一区二区三区视频在线观看免费| 久久久久久大精品| 蜜桃亚洲精品一区二区三区| 日韩精品中文字幕看吧| 国产精品av视频在线免费观看| 一个人观看的视频www高清免费观看| 亚洲av不卡在线观看| 老熟妇乱子伦视频在线观看| 色综合亚洲欧美另类图片| 欧美成人一区二区免费高清观看| 国产在视频线在精品| 动漫黄色视频在线观看| 少妇的逼好多水| 能在线免费观看的黄片| 91狼人影院| 亚洲美女黄片视频| 色精品久久人妻99蜜桃| 午夜精品一区二区三区免费看| 亚洲成人久久性| 国产一区二区亚洲精品在线观看| 久久草成人影院| 在线十欧美十亚洲十日本专区| 在线观看一区二区三区| 1024手机看黄色片| 国产亚洲精品av在线| 村上凉子中文字幕在线| 51午夜福利影视在线观看| 校园春色视频在线观看| 国产精品一区二区性色av| 国产av不卡久久| 久久九九热精品免费| 又爽又黄无遮挡网站| 婷婷丁香在线五月| 99热只有精品国产| 变态另类丝袜制服| 男女之事视频高清在线观看| 欧美激情在线99| 观看美女的网站| 嫁个100分男人电影在线观看| 一进一出抽搐动态| 精品无人区乱码1区二区| 欧美3d第一页| 校园春色视频在线观看| 观看免费一级毛片| 淫妇啪啪啪对白视频| 欧美乱色亚洲激情| 国产一级毛片七仙女欲春2| 一进一出好大好爽视频| 亚洲av免费高清在线观看| 日日摸夜夜添夜夜添小说| 神马国产精品三级电影在线观看| 性插视频无遮挡在线免费观看| 乱码一卡2卡4卡精品| 国产一级毛片七仙女欲春2| 色综合站精品国产| 亚洲精品乱码久久久v下载方式| 女同久久另类99精品国产91| 午夜福利免费观看在线| www.熟女人妻精品国产| 久久久久亚洲av毛片大全| 观看美女的网站| 国产精品永久免费网站| 久久久久亚洲av毛片大全| 91在线精品国自产拍蜜月| 国产成人啪精品午夜网站| 国产老妇女一区| 长腿黑丝高跟| 亚洲人成伊人成综合网2020| 一级黄色大片毛片| 嫩草影院精品99| 极品教师在线视频| 少妇的逼好多水| 最新在线观看一区二区三区| 99久久九九国产精品国产免费| 亚洲,欧美精品.| 欧美日韩福利视频一区二区| 免费看光身美女| 国产一区二区在线观看日韩| 真人一进一出gif抽搐免费| 人人妻人人看人人澡| av国产免费在线观看| 亚洲精品久久国产高清桃花| 精品久久久久久久人妻蜜臀av| 日韩精品青青久久久久久| 亚洲av熟女| 老女人水多毛片| 欧美+亚洲+日韩+国产| 性色av乱码一区二区三区2| 亚洲男人的天堂狠狠| 国产极品精品免费视频能看的| 亚洲最大成人av| 特大巨黑吊av在线直播| 91字幕亚洲| 欧美成人性av电影在线观看| 欧美潮喷喷水| 热99在线观看视频| 真人一进一出gif抽搐免费| 91狼人影院| 他把我摸到了高潮在线观看| 日本黄色片子视频| 久久国产精品影院| 亚洲无线在线观看| 高清在线国产一区| 精品人妻1区二区| 丝袜美腿在线中文| 国产伦精品一区二区三区四那| 亚洲欧美日韩无卡精品| 一本一本综合久久| 看十八女毛片水多多多| 床上黄色一级片| 老司机午夜福利在线观看视频| 婷婷精品国产亚洲av| 国产成人福利小说| 日韩欧美国产在线观看| 亚洲成人精品中文字幕电影| 亚洲五月天丁香| 啦啦啦韩国在线观看视频| 久久国产乱子伦精品免费另类| 啪啪无遮挡十八禁网站| 午夜精品一区二区三区免费看| 亚洲自拍偷在线| 国产精华一区二区三区| 成人欧美大片| 在线天堂最新版资源| 免费电影在线观看免费观看| 丁香欧美五月| 国产精品一区二区三区四区免费观看 | 亚洲不卡免费看| 中文字幕av在线有码专区| 欧美一区二区精品小视频在线| www.色视频.com| 免费看美女性在线毛片视频| 久久久色成人| 国产单亲对白刺激| 国产精品不卡视频一区二区 | 99riav亚洲国产免费| 麻豆av噜噜一区二区三区| 国产在线男女| 国产极品精品免费视频能看的| 国产欧美日韩一区二区三| 免费人成视频x8x8入口观看| 国产成人欧美在线观看| 在线播放无遮挡| 1000部很黄的大片| 精品一区二区免费观看| 男人的好看免费观看在线视频| 精品久久久久久久久久免费视频| 精品一区二区三区人妻视频| 老鸭窝网址在线观看| 波多野结衣巨乳人妻| 日韩欧美一区二区三区在线观看| 老司机午夜福利在线观看视频| 悠悠久久av| 免费看美女性在线毛片视频| 天堂av国产一区二区熟女人妻| 午夜a级毛片| 午夜激情福利司机影院| 成人av一区二区三区在线看| 免费搜索国产男女视频| 内射极品少妇av片p| 亚州av有码| 日本黄色片子视频| 国产乱人视频| 午夜精品在线福利| av天堂中文字幕网| av视频在线观看入口| 亚洲av中文字字幕乱码综合| 国产午夜精品久久久久久一区二区三区 | 午夜激情福利司机影院| 欧美成人免费av一区二区三区| 好看av亚洲va欧美ⅴa在| 国产男靠女视频免费网站| 色综合站精品国产| 一区二区三区免费毛片| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 深夜a级毛片| 欧美一区二区亚洲| 在线看三级毛片| 日韩国内少妇激情av| 亚洲乱码一区二区免费版| 99在线人妻在线中文字幕| 国产一区二区亚洲精品在线观看| 亚洲国产色片| 亚洲av五月六月丁香网| 天美传媒精品一区二区| 天堂网av新在线| 成人av一区二区三区在线看| 高清毛片免费观看视频网站| 亚洲成av人片在线播放无| 午夜福利18| 久久久久九九精品影院| 老熟妇乱子伦视频在线观看| 狠狠狠狠99中文字幕| 国产欧美日韩精品一区二区| 88av欧美| 久久久久精品国产欧美久久久| 自拍偷自拍亚洲精品老妇| 午夜精品在线福利| 欧美三级亚洲精品| 一区二区三区免费毛片| 婷婷精品国产亚洲av| 欧美日韩乱码在线| 国产伦在线观看视频一区| 国产成人福利小说| 免费观看精品视频网站| 亚洲自偷自拍三级| 天堂影院成人在线观看| www.色视频.com| 国产v大片淫在线免费观看| 嫩草影视91久久| 久久午夜亚洲精品久久| 最好的美女福利视频网| 国产成人av教育| 日韩中文字幕欧美一区二区| 国产成人影院久久av| 激情在线观看视频在线高清| 日日干狠狠操夜夜爽| 在线播放无遮挡| 亚洲精品色激情综合| 亚洲avbb在线观看| 欧美在线黄色| 极品教师在线视频| 亚洲精品成人久久久久久| x7x7x7水蜜桃| 91午夜精品亚洲一区二区三区 | 欧美国产日韩亚洲一区| 亚洲片人在线观看| 欧美成人免费av一区二区三区| 婷婷精品国产亚洲av在线| 日韩亚洲欧美综合| 日本成人三级电影网站| 一区二区三区免费毛片| .国产精品久久| 观看美女的网站| 午夜免费男女啪啪视频观看 | 国产主播在线观看一区二区| 国产v大片淫在线免费观看| 最好的美女福利视频网| 最新在线观看一区二区三区| 无遮挡黄片免费观看| x7x7x7水蜜桃| 午夜免费成人在线视频| 很黄的视频免费| 1000部很黄的大片| 简卡轻食公司| 久久久久久九九精品二区国产| 俺也久久电影网| 国产黄片美女视频| 夜夜爽天天搞| 精品福利观看| 欧美黑人巨大hd| 欧美激情久久久久久爽电影| 欧美成人性av电影在线观看| 特级一级黄色大片| а√天堂www在线а√下载| 亚洲午夜理论影院| 亚洲狠狠婷婷综合久久图片| 中文字幕高清在线视频| 噜噜噜噜噜久久久久久91| 脱女人内裤的视频| 国产一区二区亚洲精品在线观看| 午夜视频国产福利| 国产一区二区亚洲精品在线观看| 国产欧美日韩精品一区二区| 国产精品日韩av在线免费观看| 精品一区二区三区av网在线观看| 亚州av有码| 九色国产91popny在线| 一进一出好大好爽视频| 欧美3d第一页| 亚洲一区二区三区色噜噜| 精品免费久久久久久久清纯| 国产色婷婷99| 热99在线观看视频| 两人在一起打扑克的视频| 国产精品一区二区性色av| 女人十人毛片免费观看3o分钟| 欧美最黄视频在线播放免费| 久久精品久久久久久噜噜老黄 | 亚洲自偷自拍三级| 精品午夜福利视频在线观看一区| av天堂中文字幕网| 国产精品女同一区二区软件 | 又黄又爽又刺激的免费视频.| 此物有八面人人有两片| 99国产精品一区二区蜜桃av| 又黄又爽又刺激的免费视频.| 久久欧美精品欧美久久欧美| 69人妻影院| 国产久久久一区二区三区| 亚洲第一区二区三区不卡| 美女xxoo啪啪120秒动态图 | 午夜福利欧美成人| 亚洲五月天丁香| 国产精品野战在线观看| 精品久久久久久,| 精品久久久久久久末码| 人人妻人人看人人澡| 少妇被粗大猛烈的视频| 精品久久久久久久末码| 亚洲中文日韩欧美视频| 日韩欧美一区二区三区在线观看| 在线免费观看不下载黄p国产 | 天天一区二区日本电影三级| 免费搜索国产男女视频| 日本成人三级电影网站| 在现免费观看毛片| 婷婷精品国产亚洲av| 一区二区三区免费毛片| 亚洲 欧美 日韩 在线 免费| 一级作爱视频免费观看| 亚洲精品在线观看二区| 欧美丝袜亚洲另类 | 免费看美女性在线毛片视频| 亚洲国产精品合色在线| 欧美xxxx黑人xx丫x性爽| 变态另类成人亚洲欧美熟女| 免费观看的影片在线观看| 女同久久另类99精品国产91| 午夜精品在线福利| 熟女电影av网| 两个人视频免费观看高清| 免费av观看视频| 草草在线视频免费看| 成人无遮挡网站| 成人欧美大片| 丁香欧美五月| 成人无遮挡网站| 精品久久久久久久人妻蜜臀av| 国产野战对白在线观看| 久久九九热精品免费| h日本视频在线播放| 69av精品久久久久久| 国产精品99久久久久久久久| 天堂动漫精品| 首页视频小说图片口味搜索| 一级黄色大片毛片| 深爱激情五月婷婷| 亚洲av成人精品一区久久| 久久人人精品亚洲av| 国产亚洲精品久久久com| 国产精品乱码一区二三区的特点| 欧美精品国产亚洲| 校园春色视频在线观看| 成人毛片a级毛片在线播放| 免费人成视频x8x8入口观看| 久久香蕉精品热| 一本一本综合久久| 亚洲国产高清在线一区二区三| 69av精品久久久久久| 老司机午夜福利在线观看视频| 免费人成在线观看视频色| 深夜a级毛片| 精品无人区乱码1区二区| 亚洲中文字幕一区二区三区有码在线看| 一级毛片久久久久久久久女| 久久国产精品人妻蜜桃| 一a级毛片在线观看| 日韩欧美精品免费久久 | 18禁黄网站禁片免费观看直播| 久99久视频精品免费| 成人国产综合亚洲| 天堂√8在线中文| 国产又黄又爽又无遮挡在线| 美女大奶头视频| 老司机午夜十八禁免费视频| 精品人妻偷拍中文字幕| 99在线视频只有这里精品首页| 色哟哟哟哟哟哟| 真人一进一出gif抽搐免费| 亚洲 欧美 日韩 在线 免费| 美女cb高潮喷水在线观看| 99热只有精品国产| 久久国产精品人妻蜜桃| 88av欧美| 国产探花在线观看一区二区| 亚洲专区国产一区二区| 波野结衣二区三区在线| 制服丝袜大香蕉在线| 赤兔流量卡办理| 亚洲熟妇中文字幕五十中出| 十八禁国产超污无遮挡网站| 香蕉av资源在线| 直男gayav资源| 欧美bdsm另类| 又爽又黄无遮挡网站| 人人妻人人澡欧美一区二区| 一级黄片播放器| 精品人妻偷拍中文字幕| 久久久色成人| 亚洲成人免费电影在线观看| 免费人成视频x8x8入口观看| 9191精品国产免费久久| 十八禁网站免费在线| 欧美成人免费av一区二区三区| 波多野结衣高清无吗| 午夜福利在线观看吧| 熟妇人妻久久中文字幕3abv| 美女高潮喷水抽搐中文字幕| 亚洲精品乱码久久久v下载方式| 国产野战对白在线观看| 午夜精品在线福利| 人妻制服诱惑在线中文字幕| 久久久久久久午夜电影| 国产aⅴ精品一区二区三区波| 成人三级黄色视频| 亚洲av不卡在线观看| 国产蜜桃级精品一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 久久国产乱子免费精品| 日韩亚洲欧美综合| 国产午夜福利久久久久久| 亚洲五月天丁香| 国内精品一区二区在线观看| 听说在线观看完整版免费高清| 99热精品在线国产| 亚洲乱码一区二区免费版| 青草久久国产| 成人特级黄色片久久久久久久| 国模一区二区三区四区视频| 网址你懂的国产日韩在线| 久久亚洲真实| 亚洲av五月六月丁香网| 日韩av在线大香蕉| 精品福利观看| 国产精品久久视频播放| 亚洲av五月六月丁香网| 亚洲国产精品成人综合色| 看十八女毛片水多多多| 夜夜爽天天搞| 婷婷精品国产亚洲av| 亚洲精品影视一区二区三区av| 国产精品国产高清国产av| 欧美成人性av电影在线观看| 亚洲欧美日韩东京热| 日本a在线网址| 人妻制服诱惑在线中文字幕| 女人十人毛片免费观看3o分钟| h日本视频在线播放| 给我免费播放毛片高清在线观看| 一进一出抽搐gif免费好疼| 国产成人aa在线观看| 亚洲专区中文字幕在线| 99久国产av精品| 波多野结衣高清作品| 一个人看视频在线观看www免费| 午夜福利视频1000在线观看| 最好的美女福利视频网| 九色国产91popny在线| 18禁在线播放成人免费| 亚洲中文字幕日韩| 国产精品亚洲av一区麻豆| 99热只有精品国产| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲av免费高清在线观看| 亚洲国产精品999在线| 亚洲在线观看片| 国产黄色小视频在线观看| 亚洲精品在线美女| 亚洲第一欧美日韩一区二区三区| 十八禁网站免费在线| 757午夜福利合集在线观看| 国产淫片久久久久久久久 | 日本 欧美在线| 欧美+亚洲+日韩+国产| 亚洲美女搞黄在线观看 | 一二三四社区在线视频社区8| 国产精品99久久久久久久久| 亚洲av免费高清在线观看| 美女免费视频网站| 国产色婷婷99| 欧美在线一区亚洲| 亚洲精品亚洲一区二区| 级片在线观看| av在线天堂中文字幕| 国产亚洲精品久久久久久毛片| 夜夜夜夜夜久久久久| 美女高潮喷水抽搐中文字幕| 亚洲最大成人中文| 欧美日韩福利视频一区二区| 午夜a级毛片| 午夜免费男女啪啪视频观看 | 国产精品久久久久久人妻精品电影| 日本免费一区二区三区高清不卡| 欧美国产日韩亚洲一区| 听说在线观看完整版免费高清| 一区二区三区激情视频| 欧美中文日本在线观看视频| 长腿黑丝高跟| 亚洲av二区三区四区| 99热6这里只有精品| 宅男免费午夜| 99国产精品一区二区三区| 好男人在线观看高清免费视频| 久久精品国产自在天天线| 亚洲欧美日韩高清在线视频| a级毛片a级免费在线| 伊人久久精品亚洲午夜| 18禁在线播放成人免费| 青草久久国产| 网址你懂的国产日韩在线| 色精品久久人妻99蜜桃| 精品一区二区三区视频在线观看免费| 99在线视频只有这里精品首页| 一进一出抽搐gif免费好疼| xxxwww97欧美| 亚洲成人中文字幕在线播放| av黄色大香蕉| 精品午夜福利在线看| 人人妻人人看人人澡| 69人妻影院| 成人特级黄色片久久久久久久| 日韩 亚洲 欧美在线| 国产野战对白在线观看| 亚洲美女搞黄在线观看 | 免费一级毛片在线播放高清视频| 欧美日韩乱码在线| 久久国产精品影院| av女优亚洲男人天堂| 亚洲乱码一区二区免费版| 欧美高清性xxxxhd video| 97超视频在线观看视频| 99热这里只有是精品50| 他把我摸到了高潮在线观看| 日韩欧美在线二视频| 亚洲无线在线观看| 欧美最新免费一区二区三区 | 麻豆一二三区av精品| 可以在线观看毛片的网站| 深夜a级毛片| 欧美另类亚洲清纯唯美| 国产三级在线视频| 欧美xxxx性猛交bbbb| 最好的美女福利视频网| 欧美高清性xxxxhd video| 日本精品一区二区三区蜜桃| 日韩欧美在线乱码|